document-ocr

name	document-ocr
description	Extrae texto de PDFs e imágenes usando AWS Textract. Especialmente útil para PDFs de diseño (Illustrator) sin texto extraíble. Trigger en "extraer texto", "OCR", "leer PDF escaneado", "documento sin texto", "Textract".

Document OCR

Extrae texto de PDFs e imágenes usando AWS Textract. Útil para documentos escaneados o PDFs de diseño que no tienen texto extraíble.

Archivos en este Skill

document-ocr/
├── SKILL.md

Scripts de referencia (en /scripts/ocr/):

• textract_pdf_analyzer.py - Procesar PDFs
• textract_images_analyzer.py - Procesar imagenes

Prerequisitos

• AWS CLI configurado con credenciales
• Permisos para AWS Textract
• Región: us-east-1 (default)
• Python 3.x con boto3

Flujo de Trabajo

Para PDFs

python3 scripts/ocr/textract_pdf_analyzer.py "documento.pdf" "resultado"

Output: Archivos .txt con texto extraido por pagina.

Para Imagenes

python3 scripts/ocr/textract_images_analyzer.py "carpeta_imagenes/" "resultado"

Para PDFs de Illustrator/Diseño

Los PDFs creados en Illustrator o herramientas de diseño frecuentemente no tienen texto extraíble (el texto está como curvas/paths).

Solución: Convertir a imágenes primero

# 1. Convertir PDF a imágenes con ImageMagick
magick -density 300 "archivo.pdf" -quality 100 "output/page.png"

# 2. Procesar imágenes con Textract
python3 scripts/ocr/textract_images_analyzer.py "output/" "resultado"

Gotchas

1. PDFs de diseño: El Read tool de Claude no extrae texto de PDFs de Illustrator. Usar flujo de conversión a imagen + Textract.

2. Límites de Textract:

   • Máximo 5MB por documento síncrono
   • Para documentos grandes, usar async con S3

3. Calidad de imagen importa: Para mejor OCR, usar density 300 o más al convertir PDF.

4. Tablas: Textract puede detectar tablas, pero el output puede necesitar post-procesamiento.

5. Idioma: Textract funciona mejor con inglés, pero soporta español y otros idiomas.

6. Costos: Textract tiene costo por página. Verificar pricing antes de procesar documentos grandes.

AWS Configuration

Región: us-east-1
Cuenta: [configurar en AWS CLI]

Scripts

textract_pdf_analyzer.py

python3 scripts/ocr/textract_pdf_analyzer.py input.pdf output_prefix
# Envia PDF a Textract, guarda resultado en .txt y .json
# Para PDFs >5MB usa analisis asincrono con S3

textract_images_analyzer.py

python3 scripts/ocr/textract_images_analyzer.py input_folder/ output_prefix
# Procesa todas las imagenes PNG en la carpeta

Output

Archivos de texto plano con el contenido extraído:

• resultado_page_1.txt
• resultado_page_2.txt
• etc.

O archivo consolidado:

• resultado_full.txt

Alternativas

Si Textract no está disponible:

• Google Cloud Vision API - Similar funcionalidad
• Tesseract - Open source, local, menos preciso
• Adobe Acrobat - Para PDFs con texto oculto